KMeans聚类

KMeans聚类

1､工作原理

随机生成聚类中心，根据样本到聚类中心的距离进行分类，然后以各分类的样本中心为新的聚类中心，通过不断迭代更新聚类中心，以达到分类效果。

注：
1､KMeans聚类是根据聚类中心进行分类的，所以需要指定聚类中心的个数，也就是分类的个数。

2､KMeans聚类质量的好坏依赖于初始的聚类中心点，可以通过多次初始化聚类中心，以达到选择好的聚类结果。

3､KMeans聚类迭代到最优聚类中心时，聚类中心可能会续断更新也可能不再更新，所以需要通过指定迭代次数来结束更新。

2､sklearn中的KMeans

##导入KMeans库
from sklearn.cluster import KMeans
##创建模型
kmeans = KMeans(n_clusters=2, random_state=0)
##拟合数据
kmeans.fit(X)
##预测
kmeans.predict([[0, 0], [4, 4]])
##获取聚类中心
kmeans.cluster_centers_

参数：
n_clusters：聚类中心的个数，默认值8；
n_init：初始化聚类中心的次数，默认值10；
max_iter：迭代次数，默认值300；

3､KMeans的优缺点

$$(图一）（图二)$$

$$(图三）（图四)$$

如上图所示，KMeans对于图一图二的聚类效果很好，但对于图三的聚类效果就很差了，图四的聚类效果非常依懒初始聚类中心的位置。